【技术实现步骤摘要】
本专利技术涉及车辆行为识别，具体地说，涉及基于大数据的非营业性质车辆从事营业行为的识别方法。
技术介绍
1、随着从事营业行为车辆的逐渐普及，越来越多人从事从事营业行为车辆工作，为了规避监管及降低车险费用，也导致大量私家车违规从事从事营业行为车辆营运；为规范从事营业行为车辆市场管理及降低车险机构的车辆承保风险，通过车辆轨迹识别从事营业行为车辆得到越来越广泛的应用。
2、目前的从事营业行为车辆识别方法，主要为通过车辆行驶轨迹识别从事营业行为车辆；不包括车辆的soc、行驶里程、行驶时长等数据。
3、该方法具有一定的识别效果，但仅基于车辆轨迹，数据比较单一；同时该数据获取方法是由车辆上加装硬件，会存在人为修改硬件数据、毁坏硬件等风险，从而存在错误识别和无法识别从事营业行为车辆的概率。
技术实现思路
1、本专利技术的目的在于提供基于大数据的非营业性质车辆从事营业行为的识别方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，提供了基于大数据的非营业性质车辆从事营业行为的识别方法，其包括如下方法步骤：
3、s1、获取营运车的运行特征向量；
4、s2、基于营运车的运行特征向量训练逻辑回归模型；
5、s3、获取待识别车辆的运行特征向量；
6、s4、将待识别车辆的运行特征向量传入逻辑回归模型中进行评分，其中：
7、逻辑回归模型将待识别车辆用于非法营运车的得分而设定的分值刻度，通过将分值表示为比率对数
8、score＝a-b×log(odds)；
9、式中，score为待识别车辆用于非法营运车的得分；a为分值补偿，b为分值刻度，a和b均为常数；odds为发生比。
10、作为本技术方案的进一步改进，所述s1中以营运车使用性质为索引,获取营运车的运行数据，并将运行数据提取加工为特征向量，所述特征向量的特征属性包括日均行驶里程、日均行驶时长、日均充电次数、驾驶时间的分散度和车辆轨迹的分散度。
11、作为本技术方案的进一步改进，营运车的运行特征向量α＝[m,t,c,d,l]，其中m表示日均行驶里程，t表示日均行驶时长，c表示日均充电次数，d表示驾驶时间的分散度，l表示轨迹的分散度。
12、作为本技术方案的进一步改进，待识别车辆的运行特征向量αt＝[m,t,c,d,l]，其中m表示日均行驶里程，t表示日均行驶时长，c表示日均充电次数，d表示驾驶时间的分散度，l表示轨迹的分散度。
13、作为本技术方案的进一步改进，m,t,c,d,l的计算过程如下：
14、计算日均行驶里程m：
15、通过国家平台的大数据存储平台star-rocks，按照车架号vin检索于训练模型、测试模型和验证模型的近1个月的行驶里程数据，并将数据进一步加工处理成计算日均行驶里程m。
16、计算日均行驶时长t：
17、通过国家平台的大数据存储平台star-rocks，按照车架号vin检索于训练模型、测试模型和验证模型的近1个月的行驶时长数据，并将数据进一步加工处理成计算日均行驶时长t。
18、计算日均充电次数c：
19、通过国家平台的大数据存储平台star-rocks，按照车检索于训练模型、测试模型和验证模型的近1个月的充电数据，并将数据进一步加工处理成计算日均充电次数c。
20、计算驾驶时间的分散度d：
21、通过国家平台的大数据存储平台star-rocks，按照车架号检索于训练模型、测试模型和验证模型的近1个月的行驶时长数据；首先将时间分为24个驾驶时间段，每个时间段为1小时，然后按照车辆每天是否在该时段行驶过对其打标签，存在行驶行为的标签为1，不存在行驶行为的标签为0，统计近1个月每个时段存在驾驶行为的天数，如果这个时段的驾驶天数超过20天，则这个时段的标签f记为1，统计24个时段的标签的和，即为驾驶时间的分散度d，其表达式为：
22、
23、计算车辆轨迹的分散度l：
24、通过国家平台的大数据存储平台star-rocks，按照车架号检索于训练模型、测试模型和验证模型的近1个月的车辆位置数据，在所有位置数据中，找到最东，最西，最南和最北的位置围成一个矩形区域，将每天的位置放到矩形区域中，形成轨迹图像，利用rmse比较近一个月轨迹图像的相似度，rmse即为车辆轨迹的分散度l，rmse的表达式为：
25、
26、n为一个月的天数。
27、作为本技术方案的进一步改进，将α放入逻辑回归模型中训练，使逻辑回归模型中具备m,t,c,d,l这五个从事营业行为车辆识别特征以及相应的阈值，后续传入逻辑回归模型的αt与阈值比较，得出车辆用于非法营运车的概率。
28、作为本技术方案的进一步改进，将车辆用于非法营运车的概率表示为p，则正常的概率为1-p；
29、
30、odds表示发生比。
31、将车辆用于非法营运车的p可表示为：
32、
33、其中，score分值越高代表待识别车辆用于非法营运车的可能性越低。
34、与现有技术相比，本专利技术的有益效果：
35、该基于大数据的非营业性质车辆从事营业行为的识别方法中，通过对营运车数据进行从事营业行为车辆特征数据探查，确定从事营业行为车辆识别特征及相应阈值，并计算出不同识别特征下的从事营业行为车辆特征权重；然后判断待识别车辆在工作日内行驶轨迹的分散程度、行驶里程是否达到阈值、行驶时长是否达到阈值、充电次数是否达到阈值，基于从事营业行为车辆特征数据阈值及对应权重，最终判定待识别车辆是否为从事营业行为的车辆，从而达到快速识别从事营业行为车辆的效果。
本文档来自技高网...【技术保护点】
1.基于大数据的非营业性质车辆从事营业行为的识别方法，其特征在于，其包括如下方法步骤：
2.根据权利要求1所述的基于大数据的非营业性质车辆从事营业行为的识别方法，其特征在于，所述S1中以营运车使用性质为索引，获取营运车的运行数据，并将运行数据提取加工为特征向量，所述特征向量的特征属性包括日均行驶里程、日均行驶时长、日均充电次数、驾驶时间的分散度和车辆轨迹的分散度。
3.根据权利要求2所述的基于大数据的非营业性质车辆从事营业行为的识别方法，其特征在于，营运车的运行特征向量α＝[M,T,C,D,L]，其中M表示日均行驶里程，T表示日均行驶时长，C表示日均充电次数，D表示驾驶时间的分散度，L表示轨迹的分散度。
4.根据权利要求3所述的基于大数据的非营业性质车辆从事营业行为的识别方法，其特征在于，待识别车辆的运行特征向量αt＝[M,T,C,D,L]，其中M表示日均行驶里程，T表示日均行驶时长，C表示日均充电次数，D表示驾驶时间的分散度，L表示轨迹的分散度。
5.根据权利要求3或4所述的基于大数据的非营业性质车辆从事营业行为的识别方法，其特征
6.根据权利要求4所述的基于大数据的非营业性质车辆从事营业行为的识别方法，其特征在于，将α放入逻辑回归模型中训练，使逻辑回归模型中具备M,T,C,D,L这五个从事营业行为车辆识别特征以及相应的阈值，后续传入逻辑回归模型的αt与阈值比较，得出车辆用于非法营运车的概率。
7.根据权利要求1或6所述的基于大数据的非营业性质车辆从事营业行为的识别方法，其特征在于，将车辆用于非法营运车的概率表示为p，则正常的概率为1-p；
...【技术特征摘要】
1.基于大数据的非营业性质车辆从事营业行为的识别方法，其特征在于，其包括如下方法步骤：
2.根据权利要求1所述的基于大数据的非营业性质车辆从事营业行为的识别方法，其特征在于，所述s1中以营运车使用性质为索引，获取营运车的运行数据，并将运行数据提取加工为特征向量，所述特征向量的特征属性包括日均行驶里程、日均行驶时长、日均充电次数、驾驶时间的分散度和车辆轨迹的分散度。
3.根据权利要求2所述的基于大数据的非营业性质车辆从事营业行为的识别方法，其特征在于，营运车的运行特征向量α＝[m,t,c,d,l]，其中m表示日均行驶里程，t表示日均行驶时长，c表示日均充电次数，d表示驾驶时间的分散度，l表示轨迹的分散度。
4.根据权利要求3所述的基于大数据的非营业性质车辆从事营业行为的识别方法，其特征在于，待识...
【专利技术属性】
技术研发人员：章熠，哈斯，吴涛，潘正品，
申请(专利权)人：北京保险服务中心股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。